宋文龙,徐 飞,宋佳音
(东北林业大学机电工程学院,哈尔滨150040)
冠层孔隙度是森林冠层结构特征参数之一,森林冠层结构对生态学和水文学产生高度影响一直受到国内外学者的高度关注[1-2]。其他的结构参数如叶面积指数、冠层盖度 (郁闭度)、叶面积等可以通过孔隙度计算得到[3],因此孔隙度参数的提取至关重要。
目前冠层孔隙度的数据主要是通过处理冠层图像提取,冠层图像主要有两类,一是天空遥感图像,二是地面半球图像,处理遥感图像主要是ENVI系列软件,由于遥感图像的获取经济成本较高而且针对大面积的森林冠层拍摄受到分辨率1等因素的制约精度难于保证。因此国外涌现出大量的光学设备拍摄半球图像,配套的处理软件有Win-SCANOPY 2004a、TRAC、CI - 110,Hemiview等[4],但是上述软件仍然存在模型假设以及特定算法局限性带来的误差[5-6],存在改进空间,因此本文提出基于Matlab联合AutoCAD及Photoshop的图像处理新方法,处理帽儿山样地内13个样点的半球图像提取孔隙度与TRAC软件数据进行对比,相关度较高说明方案可行,为今后国内自主研发相关软件提供技术支持。
本文处理的半球图像共计13张,JPG格式,来源于东北林业大学帽儿山林场实验样地,设备采用WinSCANOPY 2006,设备包括800万像素相机、1G内存卡、180度鱼眼镜头、自动平衡装置、遮阳板及可拆卸手柄并配有指北系统。
以180°视场角从下往上拍照,完整地记录各个天空方向。通过自动平衡装置使鱼眼镜头中心轴正对天顶,保证天顶角θ测量正确。自动平衡装置上配有指北针和两个通过光纤与相机曝光窗口相连的指示灯,这两个指示灯将在鱼眼照片的边缘(180°天顶角)成像,指示磁北方向,保证方位角α测量正确。测量单元为25 m×25 m大小的样方。拍摄时间选择在早晨,拍摄时尽最避免太阳直射光线进入镜头。将相机固定在离地高lm的三脚架上,使镜头垂直向上,在不同样点获取的13张半球图像以JPG格式存储在内存片中。
通过数码相机拍摄获取的原始数据为数字彩色图像 (如图1所示),为更加精确提取孔隙度数据需对提取的半球图像需经过图像处理,本研究对样地13个不同样点提取出的13张半球图像运用MATLAB软件的图像处理功能,将原始图像处理为只包含“天空”和“叶片”的二值化图像。之后运用AutoCad2008软件对处理后的图像沿镜头边缘分割,并分解为以镜头中心为圆心的等距同心环,将分割好的图像导入Photoshop 7.0软件,运用直方图功能计算孔隙度[7-10]。图像处理基本流程如图2所示。
图1 原始采集图像Fig.1 Original image
图2 图像处理流程Fig.2 Image processing process
对原始半球图像进行灰度化,获得由背景和林间叶片组成的灰度图像。建立直方图反映图像中不同灰度级别的像素出现的频率。理想情况下,直方图中天空和叶片在灰度级上会因同性质而形成俩个峰。在图像二值化过程之中,具有此直方图的灰度图像易将植物冠层和天空区分。然而,由于摄影环境是在林间,光线不均、叶片反光、叶片透射等因素使得背景中杂乱信息较多,通常情况下很难得到明显的双峰图像。在以往研究中发现,在可见光波段中,绿色植物吸收红绿光较蓝光更弱,在林间冠层中蓝色光的反射现象和透射现象较少。由于这种特性,在图像红、绿、蓝三个颜色分量中,蓝色分量能够更加明显的区分叶片与天空。因此,在图像灰度化过程中选取蓝光分量作为特征值,在直方图中蓝光波段中的俩个峰更集中,峰之间的谷更加明显,便于对叶片和背景进行分割[11-16]。
对处理后的灰度图像进行二值化处理,根据其不同象元的灰度值大小,将图像划分为只包含0和1灰度值的图像 (如图3所示)。通过二值化处理可明显区分“叶片”和“背景”两种像元,在二值化过程中合适阈值的选取非常关键。
图3 二值化图像Fig.3 Binary image
2.2.1 阈值的设定
将已处理好的二值图像打开,首先设定最小阈值,使分类图像与原图像能够明显区分。在本研究中将最小阈值设定为60,通过相同的方法,将最大阈值设定为190。从最小阈值开始每间隔10对阈值进行一次设定,通过此方法获取一系列不同阈值的分类图像。通过移动窗口在分类图像和原图像间移动,共移动10次,对每次移动窗口获取的窗口平均亮度值进行记录,并计算出分类图像和原图像10次的平均亮度值。对原图像与分类图像亮度值进行比较 (如图4所示),误差最小的所在阈值为最佳阈值。通过实验对比,界定最佳分类阈值为150.阈值的选择对孔隙度计算有非常大的影响,图5可以看出阈值逐渐增加,亮度逐渐降低,林冠孔隙度逐渐降低。不同天气对于阈值的选择影响也非常明显,对晴天与阴天的对比发现,最佳阈值的选取晴天要更大。
图4 原图像亮度值与不同阈值下分类图像亮度值的平均误差Fig.4 The average error of the brightness values between the original image and the images under different threshold classifications
图5 不同阈值条件下孔隙度变化Fig.5 Changes of porosity under the condition of different thresholds
在林间对冠层图像获取时,由于背景信息杂乱,处理图像中易产生椒盐噪声,处理后的二值图像中经常会存在一些孤立的象元,所以除去椒盐噪声十分必要。本研究通过中值滤波法处理二值图像。此方法在消除椒盐噪声或点上效果非常明显,在保留了大于变换核的同时平滑图像。为提高冠层孔隙度提取的精度,关键在于变换核的选择,如果变换核过大很容易除去面积较小的空隙,而变换核过小又达不到对噪声消除的效果,从而影响提取出孔隙度的精度。在经过研究实验,选取5×5的变换核精度较高,中值滤波效果见图6。
图6 滤波去噪图像Fig.6 Filtering denoising of image
由研究发现,林间冠层孔隙度与光线入射角度有关。在相同的冠层下,入射角度改变孔隙度也将发生变化。天顶角和方位角决定入射角度,由于冠层结构在整体方位上的对称性,所以入射角度的天顶角决定了孔隙度的大小。
半球图像视角范围为180°,本研究运用Auto-Cad2008软件将已处理的图像沿镜头边缘进行分割,以冠层半球图像中心点为圆心将图像分割为n个等距的同心圆环,每个圆环与一个角度为90/n的视角区间相对应,如图7所示。
由于视角区间是一个范围,在实际计算中取视角范围的中间值作为该环的视角值进行计算。利用Photoshop 7.0图像处理软件的魔术棒功能,在直方图中分别统计每个环背景象元和叶片象元的数量,计算冠层孔隙度公式如下:
式中:T(θ)是θ视角下的背景下的冠层孔隙度,Nl(θ)是θ视角下的叶片像素数量,Ns(θ)是θ视角(天空或土壤)像素数量。计算获得每个环的冠层孔隙度值后求平均值为整体半球图像冠层孔隙度。13个样点不同视角孔隙度数据见表1。
表1 不同视角孔隙度及总孔隙度Tab.1 Different perspectives of porosity and total porosity
半球冠层图像上包含0°~90°天顶角的孔隙度信息,为提高孔隙度值的精确度,增加求取值的稳定性,则在孔隙度数据提取中需将图像分割为n个等距的同心圆环,获取对应不同视角的n个孔隙度值。n的选取值越大视角分辨率越高,视角分辨率越高提取的孔隙度可利用值越多,孔隙度值稳定性更高。但如果视角分辨率过高,单个环像素点数量较少,在图像处理中背景象元个数的较小变化也会对孔隙度产生较大影响[18-21]。
半球图像划分环数的不同,对于求取数据的稳定性产生影响,孔隙度值也会不同。本研究通过实验将图像划分 (n=1,2,3,4,5,,6,7)个环,得到对应的7种视角分辨率。从计算出的数据来看,除n=1,2,3数据不稳定,n取其他三个值较接近,都可表示出冠层特性。但n取值过大,在图像分析时需花费更加大量的处理计算时间,,为在数据精度和计算效率之间获得平衡,本研究通过大量实验,选取n=5个环的视角分辨率最为实际可行[18]。
TRAC为国内认可的对于冠层孔隙度提取数值精度较高的一种植被数据分析设备。将TRAC测取冠层孔隙度作为真值,对TRAC仪器与半球图像法测取的孔隙度数据进行对比 (见表2)发现,半球图像法处理后提取的帽儿山林冠层孔隙度偏大,误差值均值小于5%。通过实验对俩种方法提取的数据进行拟合分析 (如图8所示),相关系数R=0.81,决定系数R2=0.656,二者相关性较高,拟合效果理想。则通过TRAC仪器获取的数据可以对半球图像法计算出的数据进行校正,从而使数值更加精确。通过实验数据分析得出,此方法可以作为冠层孔隙度数据测取的一种实用方法。
表2 半球图像法与TRAC测取数据误差值分析Tab.2 Hemispherical image method and error analysis of TRAC measured data
图8 半球图像法与TRAC相关性分析Fig.8 Hemispherical image method and TRAC correlation analysis
本研究运用图像处理技术对帽儿山林场试验样地获取的半球图像进行处理,计算冠层孔隙度。在图像数据处理中发现,阈值的选择对图像分类影响非常显著,继而影响冠层孔隙度的计算。通过实验得出最佳阈值为150。为提高冠层孔隙度提取精度,将半球图像以不同视角分成n个同心环,取均值求取冠层孔隙度值。为在数据精度和计算效率之间获得平衡,本研究通过实验,得出取5个环的视角分辨率最为实际可行。在与TRAC仪器处理的数据进行比较,发现俩种方法估算孔隙度有一定的差异,但与半球图像法获取数据值拟合度较高,可以对半球图像法获取数据进行校正以提高精度。通过半球图像法可为反演森林生态系统的重要结构参数提供一种新型方法,为今后研发国内监测设备提供技术支持。
[1]常学向,赵爱芬,工金叶,等.祁连山林区大气降水特征与森林对降水的截留作用[J].高原气象,2002,21(3):274 -280.
[2]刘家冈,万国良,张学培,等.林冠对降雨截留的半理论模型[J].林业科学,2000,36(2):2 -5.
[3]雷相东,张则路,陈晓光.长白落叶松等几个树种冠幅预测模型的研究[J].北京林业人大学学报,2006,28(6):75 -79.
[4]唐世浩,朱启疆,周宇宇,等.一种简单的估算植被覆盖度和恢复背景信息的方法[J].中国图像图形学报,2003,8(11):1304 -1308.
[5]常宗强,王金叶,常学向,等.祁连山水源涵养林枯枝落叶层水文生态功能[J].西北林学院学报,2001,16(S1):8 -13.
[6]李德志,威润国.森林冠层结构与功能及其时空变化研究进展[J].世界林业研究,2004,17(3):12 -16.
[7]崔启武,朱劲伟.林冠的结构和光的分布—光的透射和反射理论[J].地理学报,1981,36(2):196 一208.
[8]冯益明,李增元,张 旭.基于高空间分辨率影像的林分冠幅估计[J].林业科学,2006,42(5):110 -113.
[9]熊轶群,吴健平.基于高分辨率遥感图像的树冠面积提取方法[J].地理与地理信息科学,2007.23(6):30 -33.
[10] Lang K,Hu N,Lu C,Huang F.Advances in canopy structure parameters retrieval using hemispherical photography[J].Journal of Nanjing Institute Meteorology,2008,31(1):139-144.
[11] Ma Z,Liu Q,Zeng H,et al.Estimation of leaf area index of planted forests in subtropical China by photogrammetry[J].Acta Ecologica Sinica,2008,28(5):1971-1980.
[12] Zhao C,Qi J,Shen W,et al.Estimating the canopy coverage of Picea crassifolia forest using digital hemispherical photography in Qilian Mountains[J].Acta Ecolohgica Sinica,2009,29(8):4196-4205.
[13] Deng B,Wang S,Li Q.Correlation analysis of breast diameter and crown width in artificial and natural forests mixed by Korean Pine and broadleaved trees[J].Protection Forest Science and Technology,2003(4):19-20.
[14]李 明,张长利,房俊龙.基于图像处理技术的小麦叶面积指数的提取[[J].农业工程学报,2010,26(1):205 -209.
[15]刘娅静,杨 帆,浦昭邦.基于颜色特征的杂草图像分割技术研究[J].微计算机信息,2007,23(63):269 -271.
[16]沈宝国,陈树人,尹建军,等.基于颜色特征的棉田绿色杂草图像识别方法[J].农业工程学报,2009,25(6):163 -167.
[17]周 旭,常建民.数字国像处理技术用于木材微观分析的研究概况[J].森林工程,2008,24(1):28 -33.
[18]姚克敏,胡 凝,吕川根,等.鱼眼影像技术反演植被冠层结构参数的研究进展[J].南京气象学院学报,2008,31(1):139-144.
[19]赵春江.数字图像处理算法典型实例[M].北京:人民邮电出版社,2009.
[20]杨建华,李 丽,张 伟.基于形态学的锯材表面缺陷图像处理方法研究[J].林业机械与木工设备,2012,40(9):18 -20.
[21]孙 鑫,常建民.数学图像处理技术在木材微观结构研究中的应用概况[J].林业机械与木工设备,2010,38(3):14-16.